CN109948465A - 一种基于多目标的表面肌电信号分类方法 - Google Patents

Abstract

一种基于多目标的表面肌电信号分类方法，包括：对通道、特征使用进行限制，在减少通道与特征的数目以便降低成本的同时，保证高效的识别效率，并防止不同动作识别率差别过大，从而建立含有四个目标的多目标问题。最后使用基于分解的多目标优化算法求解最优Pareto前沿解。使用单目标规划对肌电信号进行优化，容易忽略成本、动作识别不均匀等因素，本发明使用多目标规划对肌电信号进行建模，可以很好地避免这些问题；使用较少的特征、通道能够降低计算量，减少硬件、运算成本，加快对肌电信号的识别，做到实时性，为将来能够操控假肢完成预设动作打下良好基础。

Description

一种基于多目标的表面肌电信号分类方法

技术领域

本发明涉及表面肌电信号的分类方法，是一种基于多目标的表面肌电信号分类方法。

背景技术

随着我国经济的繁荣和城镇化进程的发展，人们在享受经济快速发展带来的丰硕成果的同时也可能会发生各种意外，比如快速高效的交通运输带来的车祸、密集的城市建设带来的工伤以及环境污染导致的疾病等。不同程度的肢体残疾给残疾人的日常生活和工作带来了诸多不便，也给他们留下了不同程度的心理阴影。因此，这类残疾人对假肢需求和要求也越来越严格。而随着科学技术的不断进步，以人工智能、计算机技术、控制工程和康复医学技术为核心驱动的智能仿生假肢越来越受到人们的关注。

人体的生理电信号是人体行为意图的直接反应,通过对人体的生理电信号进行分析和解读,能够使机器有效识别人的主题意识。表面肌电信号作为人体的生理电信号的一种,其蕴含着肌肉状态和人体动作意图的相关信息。目前肌电信号检测方式分为两种方式，一是针式电极采集，一种是表面电极采集。由于针式电极是侵入式的，往往需要高精度的手术植入，对人体可能存在伤害，所以目前大部分的研究和应用均针对表面肌电信号进行。

目前，关于肌电信号的识别分类方案有很多。鲁立等人采用非线性支持向量机与线性判别分析相融合的方法对表面肌电信号进行判别分析，精确度到达了91.2％；蔡立羽等人使用小波变换的方法四个动作的表面肌电信号的特征，识别率也达到了90％以上；NAZApour等人使用高阶的统计量计算得到了手部动作的特征，同时对手部的动作姿态分类采用聚类分析的方法，识别率也达到了91％。

以上文献提出的技术方案对表面肌电信号的识别的研究主要集中在单一识别率目标的分类问题。但是在实际的表面肌电信号应用场合，模型需要综合考虑识别的正确性、稳定性、连续性等多个因素。

发明内容

为了克服现有技术方案识别不同动作的准确率差异性过大，仅考虑识别率等缺点，本发明提出一种基于多目标的表面肌电信号分类方法，从多个特征、通道中筛选出较少数量的特征与通道，并从这些所选通道测得的肌电信号中提取出所选特征，用这些特征识别不同动作。保证在减少通道和特征数量的同时，所选的特征与通道能够充分识别不同动作并防止不同动作的识别率差异性过大。

本发明解决其技术问题所采用的技术方案是：

一种基于多目标的表面肌电信号分类方法，对通道、特征使用进行限制，在减少通道与特征的数目以便降低成本的同时，保证高效的识别效率，并防止不同动作识别率差别过大，从而建立含有四个目标的多目标问题。最后使用基于分解的多目标优化算法求解最优Pareto前沿解

所述基于多目标的表面肌电信号分类方法包括如下步骤：

步骤1：针对所有通道测得的表面肌电信号，使用窗口分析法来处理记录电极获取的表面肌电信号；其中w表示窗口长度，t表示增量区间，τ表示特征提取和分类操作的处理延迟；将间隔每个时间t后，顺序的将时间长度为w的信号作为一个整体进行特征提取得到特征矩阵；定义如下公式：

其中α为算子，包含特征计算公式，为第k个动作第m个样本中所有通道测得的肌电信息值，也就是第(m-1)t个时间节点到第(m-1)t+w个时间节点的肌电信号值，表示使用特征计算公式对第k个动作第m个样本中每个通道信息进行计算得到不同的特征值，形成一个特征矩阵

步骤2：选取最佳的通道和特征；使用0-1变量来定义通道和特征的使用情况：

并对定义的通道、特征进行约束：

其中n_p为通道总数目，n_f为特征总数目，为所使用的通道数目，为所使用的特征数目，为最少使用的通道数目，为最少使用的特征数目；

然后定义P表示通道的使用情况，定义F表示特征的使用情况；则可以得到特征通道使用矩阵如下所示：

其中S为P向量和F向量的点积而成的0-1矩阵，用于表示是否使用该通道或者该特征；

步骤3：使用步骤2得到的特征通道使用矩阵对步骤1获得的表面肌电信号进行处理，得到特征通道信息矩阵公式如下：

步骤4：使用分类器δ对特征通道信息矩阵进行分类，得到第k个动作第m个样本的正判结果

其中表示第k个动作第m个样本的正确分类，则当判定结果正确时，为1，否则为0；

步骤5：根据步骤4的得到的N个样本的正判结果进行累加得到第k个动作的识别准确率a^k：

步骤6：采用基于分解的多目标优化算法MOEA/D求解以下目标得到最优的Pareto前沿解；

算法MOEA/D流程如下：

使用切比雪夫聚合方法对四维目标进行求解

其中z^*对于每个分量λ_k为第k个目标的权重，x为特征与通道组合而成的0-1向量；

采用差分进化来进化x，通过随机生成初始种群，以种群中每个个体的适应度值为选择标准，主要过程包括变异、交叉和选择三个步骤；

6.1变异操作

在第g次迭代中，从种群中随机选择3个互不相同个体x_p1(g),x_p2(g),x_p3(g)而且p1≠p2≠p3，生成的变异向量为

H_i(g)＝x_p1(g)+F(x_p2(g)-x_p3(g))F∈[0,1] (11)

6.2交叉操作

令cr为交叉概率，在第g次迭代中，当随机生成的概率小于交叉概率，第i个种群x_i(g)的第j个元素则被替换成变异向量的元素，否则为原先的种群的元素

6.3选择操作

当新产生的解优于原先解，则更新x

当循环次数小于M时，重复步骤2至步骤6；否则，结束循环，得到靠近临界值的最优Pareto前沿解x。

本发明专利的技术构思为：采用多目标建模的方式，对通道、特征使用进行限制，在减少通道与特征的数目以便降低成本的同时，保证高效的识别效率，并防止不同动作识别率差别过大。最后使用基于分解的多目标优化算法求解最优Pareto前沿解。

本发明专利的优点主要表现在：使用单目标规划对肌电信号进行优化，容易忽略成本、动作识别不均匀等因素，使用多目标规划对肌电信号进行建模，可以很好地避免这些问题。使用较少的特征、通道能够降低计算量，减少硬件、运算成本，加快对肌电信号的识别，做到实时性，为将来能够操控假肢完成预设动作打下良好基础。当目标的权重发生改变时，最优解选择的通道会发生改变。使用绝大分部Pareto解使用的通道能够避免了需要重新计算最优通道，能够适用于绝大多数权重下的目标，这极大地减少了因权重改变需要重新计算最优通道的计算成本。而未来的假肢需要侧重不同方面，不必因为频繁更换侧重点而重新计算通道。

附图说明

图1为本发明的窗口分析法示意图；

图2为本发明的基于分解的多目标优化算法流程图；

图3为本发明的实例得到的特征数，通道数，准确率的三维图；

图4为本发明的实例特征数与通道数分布情况；

图5为本发明的实例各个特征使用率；

图6为本发明的实例各个特征使用率。

具体实施方式

下面结合附图1-6对本发明作进一步描述。

如图1所示，其中w表示窗口长度，t表示增量区间，τ表示特征提取和分类操作的处理延迟。该方法将间隔每个时间t后，顺序的将时间长度为w的信号作为一个整体进行特征提取得到特征矩阵。

如图2所示，该流程图为基于分解的多目标优化算法流程图。

实例：研究所用的表面肌电信号是由英国朴茨茅斯大学团队开发的ELONXI肌电采集仪采集的。该设备支持最大16个双极通道，采样分辨率为24比特，采样频率介于1000Hz到2000Hz之间。即选取了通道数n_p＝16，特征数n_f＝14。设定窗口分析法中的窗口长度w＝300，增量区间t＝50，采集得到1950个训练样本和975个测试样本。算法设置了特征数下界为4，通道数下界为6，训练100次后得到的最优Pareto前沿解。具体的部分最优Pareto前沿解如下表1所示

表1部分最优Pareto前沿解

如图3所示，因为通道数和特征数都是整数，所以不是连续曲面图。从图中可以看出，在选择不同通道数和特征数情况下，得到的准确率上下限差距都是不同的。因为某些特征是可能会得到比较差的结果的。得到的所有通道特征解的平均准确率在95％以上。

如图4所示，整个解集图如下所示，基本远离了通道数、特征数最多的情况。整个Pareto前沿基本向解所设的下界进行靠近。

如图5-6所示ZC特征(过零点数ZC主要反映表面肌电信号中不同频率成分的变化特征)使用率远高过其他特征，达到95.1％。另外特征DASDV、IEMG、MFMN的使用率也紧随其后，使用率分别是33.6％、47.5％、42.3％。而使用率排名前六的通道分别是1、8、9、10、15、16，使用率分别是68.2％、72.4％、43.7％、62.9％、48.9％、83.6％。

从实验结果来看，各个动作准确率的方差较小，基本为0.02左右，这意味着对于所选的特征和通道，都能有效提取表面肌电信号中的信息，从而识别各个动作。并且，每个动作的识别准确率都较高，有些情况下各个动作的平均准确率已达到99.8％，可以使用一些通道作为备用，避免将来因为某个通道的损坏导致实验采集的肌电数据异常，致使识别准确率下降。防止了当目标的权重发生改变时，最优解选择的通道会发生改变。使用绝大分部Pareto解的通道避免了需要重新计算最优通道，能够适用于绝大多数权重下的目标，这极大地减少了因权重改变需要重新计算最优通道的计算成本。

本说明书实例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于多目标的表面肌电信号分类方法，包括如下步骤：

步骤1：针对所有通道测得的表面肌电信号，使用窗口分析法来处理记录电极获取的表面肌电信号；其中w表示窗口长度，t表示增量区间，τ表示特征提取和分类操作的处理延迟；将间隔每个时间t后，顺序的将时间长度为w的信号作为一个整体进行特征提取得到特征矩阵；定义如下公式：

其中α为算子，包含特征计算公式，为第k个动作第m个样本中所有通道测得的肌电信息值，也就是第(m-1)t个时间节点到第(m-1)t+w个时间节点的肌电信号值，表示使用特征计算公式对第k个动作第m个样本中每个通道信息进行计算得到不同的特征值，形成一个特征矩阵

步骤2：选取最佳的通道和特征；使用0-1变量来定义通道和特征的使用情况：

并对定义的通道、特征进行约束：

其中n_p为通道总数目，n_f为特征总数目，为所使用的通道数目，为所使用的特征数目，为最少使用的通道数目，为最少使用的特征数目；

然后定义P表示通道的使用情况，定义F表示特征的使用情况；则可以得到特征通道使用矩阵如下所示：

其中S为P向量和F向量的点积而成的0-1矩阵，用于表示是否使用该通道或者该特征；

步骤3：使用步骤2得到的特征通道使用矩阵对步骤1获得的表面肌电信号进行处理，得到特征通道信息矩阵公式如下：

步骤4：使用分类器δ对特征通道信息矩阵进行分类，得到第k个动作第m个样本的正判结果

其中表示第k个动作第m个样本的正确分类，则当判定结果正确时，为1，否则为0；

步骤5：根据步骤4的得到的N个样本的正判结果进行累加得到第k个动作的识别准确率a^k：

步骤6：采用基于分解的多目标优化算法MOEA/D求解以下目标得到最优的Pareto前沿解；

算法MOEA/D流程如下：

使用切比雪夫聚合方法对四维目标进行求解

其中z^*对于每个分量λ_k为第k个目标的权重，x为特征与通道组合而成的0-1向量；

采用差分进化来进化x，通过随机生成初始种群，以种群中每个个体的适应度值为选择标准，主要过程包括变异、交叉和选择三个步骤；

6.1变异操作

在第g次迭代中，从种群中随机选择3个互不相同个体x_p1(g),x_p2(g),x_p3(g)而且p1≠p2≠p3，生成的变异向量为

H_i(g)＝x_p1(g)+F(x_p2(g)-x_p3(g))F∈[0,1] (11)

6.2交叉操作

令cr为交叉概率，在第g次迭代中，当随机生成的概率小于交叉概率，第i个种群x_i(g)的第j个元素则被替换成变异向量的元素，否则为原先的种群的元素

6.3选择操作

当新产生的解优于原先解，则更新x

当循环次数小于M时，重复步骤2至步骤6；否则，结束循环，得到靠近临界值的最优Pareto前沿解x。